Robust Object Tracking Framework for Occlusion Area using YOLOv5 and Dual Kalman Filter

YOLO(You Only Look Once)는 실시간으로 객체 검출이 필요한 분야에서 널리 사용되고 있지만, 검출하려는 대상이 다른 객체 혹은 주변 배경 등에 의해 가려지는 폐색영역에서 성능이 낮아지는 한계가 존재한다. 본 연구에서는 YOLOv5와 Dual Kalman Filter(KF)를 활용한 폐색영역에 강건한 객체 추적 프레임워크를 제안한다. 여기서, Dual KF는 상호 보완적인 특성을 가진 2개의 KF로 구성된다. 제안 프레임워크는 YOLOv5가 객체검출에 실패하면 YOLOv5의 검출 결과에 비중을 두고 업데이트되는 Detection KF의 결과를 사용한다. 만약 폐색영역으로 인해 연속적인 프레임 동안 객체를 검출하지 못하면, KF의 예측 결과에 비중을 두고 업데이트되는 Inference KF의 결과를 사용하여 객체 추적을 시도한다. 폐색영역이 등장하는 데이터를 활용한 실험을 통해, 제안 프레임워크는 기존 방법론보다 연산 속도는 소폭 느리지만, 정확도는 우수한 것을 확인할 수 있었다. Although YOLO(You Only Look Once) is a widely used algorithm in real-time object detection, it has a limitation in that its performance significantly deteriorates in occlusion areas where a detection target is obscured by another object or surrounding background. In this study, we propose a robust object tracking framework that utilizes YOLOv5 and a Dual Kalman Filter(KF) consisting of Detection and Inference KFs to address this issue. The proposed framework uses the Detection KF updated with a high weight on the detection results of YOLOv5 when YOLOv5 fails to detect objects. If the object is not detected over successive frames, the proposed framework attempts to track the object using the Inference KF updated with a high weight on the prediction results of KF. Through experiments using data with occluded regions, we confirmed that the proposed framework outperformed existing approaches in terms of detection accuracy while sacrificing less computation speed.